Demis Hassabis 的 Isomorphic Labs 拿下 50 亿美元融资,专攻 AI 药物设计。和普通 AI 制药公司不同,它背后有 AlphaFold 的技术积累。做生物医药或关注 AI for Science 的朋友可以看看资本对这条赛道的判断。
AI 医疗与生命科学
Stanford 的 James Zou 团队在 Science 上发了 VirtualBiotech,让数万个 AI 智能体像一家生物科技公司一样分工跑完从找靶点到设计临床试验的全流程。做药物研发的人和想搭多智能体系统的人都该看看,它是一份现成的 agentic R&D 组织蓝图。
医疗影像圈的可以看看:Philips 把 PACS、多专科 AI 工具和多院区可视化整合进一个云端入口,不用再一台服务器跑一个算法。相比各家独立部署的 AI viewer,运维成本能省不少,适合多院区医疗集团评估。
4451本生存PDF加25万离线地图,还能断网用本地AI直接提问,比一般只打包电子书的项目实用得多。喜欢户外探险或者想搭一套离线知识库的人可以去GitHub上把整个库下载下来保存。
Elsevier 给 ClinicalKey AI 加了接入 EHR 的能力,医生提问时能带上患者本人的病历。对比直接调通用大模型的工具,它背后是 Elsevier 审核过的医学文献库。医院信息科和临床科室负责人可以关注这个方案。
这家做 Claude 的公司五年就从零做到 1.5 万亿美元市值,募资额直接把 SpaceX 的纪录翻篇了。想看 AI 泡沫到底有多大的人,盯它股价就知道,做 AI 创业的也得研究下它的算力成本账本。
医疗登记信息填错会直接引发拒赔,Artera 拿 56% 这个数字做了切入。亮点是预问诊能跨 SMS、网页、语音暂停续接,不用从头填表。做医疗 SaaS 或收入周期管理的团队可以看看它和 Phreesia 的差异。
医疗账单员打一通拒赔电话要花 10 分钟到 1 小时,Candid Health 让智能体替人打,12,860 通试呼里 59% 全程搞定。语音智能体落地到真实电话场景的少见量化案例,做 vertical AI 或语音产品的都该看看别人怎么定成功标准。
医疗 AI 创业公司 Knit Health 拿了 3500 万美元 A 轮,不做单点工具,而是给医院做世界模型当连接层。CEO Jonathan Kolstad 说很多医院已经有兴趣。做医疗信息化或医院采购的人可以看看这条路线和通用大模型方案的区别。
Anthropic 要上市了,CEO 亲自下场讲故事。讲了他家 Claude 在药物研发里帮科学家省时间的用法,也承认了失控风险。想理解这家公司上市怎么跟投资人叙事、跟 OpenAI 打差异化,这篇原文值得翻一下。
《Superintelligence》作者 Bostrom 和 a16z 聊了快一小时,观点和大众印象很不一样。他认为推迟超级智能一年,就可能少一批救命医学突破,还聊了新书《Deep Utopia》里“人生意义”的问题。关心 AI 议题的人值得花时间听完。
Amodei 明确说 Anthropic 不吃商业和政治那一套,安全立场不动摇。对比 OpenAI 近期频繁的商业化动作,这个表态等于把路线差异摆到了台面上。关注 AI 安全监管和实验室博弈的人值得看看原文。
医疗行业在猛上 AI 工具,但安全团队人手不够,员工把患者数据喂给未经审批的模型,影子 AI 已经开始引发泄露事件。做合规或安全的人应该看看其他机构踩过的坑,尤其是没有 AI 工具准入流程的团队。
CSET 新出的报告,作者 Vikram Venkatram 和 Steph Batalis 把生物数据库翻了个底朝天,指出了数据质量这些会卡住 AI 训练的实际问题。做 AI 制药或生物学数据相关工作的人可以看看,比单纯吹 AI 能发现新药的文章实在。
做模型评测的朋友该看看这篇。Stanford 用 620 个真实临床问题实测了 8 个模型的 LLM-as-judge 偏差,连匿名和加 rubric 都压不住,GPT-5.6 Sol 偏得最狠。文章结尾给了两个能直接落地的评审方案。
欧盟委员会确认被用 AI 工具发起的攻击打中,工资单和医疗报销系统下线了 10 天。这不是演习,是政府机构第一次公开承认被 AI 攻击。做安全的、管企业 IT 的都该看看对方怎么响应的。
微软和 Scripps 的人坐下来聊了 AI 医疗落地最难的部分——不是模型,而是临床验证和部署。想知道为什么 AlphaFold 式的进展还没变成病历里的一部分,可以听听这几位怎么拆解。
XIFIN 的 CTO 用 2023 到 2024 年 AI 算数能力的反差说明:医疗智能体的风险不在模型笨不笨,而在权限和审核流程怎么设计。做医疗信息化、医保系统或在医院推进 AI 落地的团队可以拿来对照自查。
一个 CRISPR 诊断背景的团队做了家用一滴血检测,能测 1000 多种蛋白质标志物,再由 AI 智能体解读风险和给建议,拿到 YC 支持。做健康管理或蛋白质组学方向的团队可以看看它的产品思路。
华为把血压计气囊直接塞进了表带里,Watch D3 能全天候监测血压,前期只要做 7 次校准。家里有长辈需要盯血压的话,这条值得看看,比传统袖带式省事不少。
Xsolis 的产品负责人写了份医疗 AI 采购评估清单,四个问题直接对着 EHR 集成和模型深度去的。做医院信息化或医疗 AI 选型的朋友可以拿去当 RFP 的提问模板,比泛泛的供应商打分表实用。
Y Combinator 孵化的 Helios 做了个居家采血检测,一滴血能测 1000 多种蛋白质,比常规体检的 20 项指标多了几十倍,然后让 AI agent 直接告诉你的疾病风险。关心自己身体数据的人可以看看。
微软销售话术里有个很实际的点:用 Claude 处理 Office 文档得把数据导到 Anthropic 服务器,Copilot 不用。如果你在管企业合规或选型办公 AI,这篇值得看,采购时数据流向就是谈判筹码。
如果你关注医疗 AI 落地,这期 STAT 通讯值得翻一翻。AI scribe 是医疗行业渗透最快的场景之一,文中梳理了目前谁跑在前面、谁在掉队,还带上了 HLTH 大会的现场消息。做医疗方向创业或采购的朋友可以直接看竞争分析。
一家只有 7 人的公司拿下了 Felicis 领投的 750 万美元种子轮,做的就是让智能体能可靠地读 PDF。双流视觉模型加逐字段溯源,还能完全离线部署,比一般纯云方案更适合金融和法律这种不能出错的场景。做文档处理或智能体落地的开发者值得看看它的技术拆解。
韩国靠卖芯片出口破万亿美元了,三星和SK海力士直接吃到AI基建红利。不过有意思的是政府要把超额税收拿去设百万亿韩元基金,补齐内需和新兴产业的短板,看东亚国家怎么接住这波AI红利。
做空间转录组建模、细胞轨迹推断的研究者值得看看这篇。它把刚体运动从动态里剥离,等于解决了一个一直污染结果的对齐问题,HORIZON 在四个真实时间进程上跑赢了现有空间和 unbalanced trajectory 方法。
Stanford 把手术室 15 间房的全部手术拿来测 Aimbient 的自动文书,用盲审视频当标准答案,准确率追平人工录入。之前同类验证一般只测单一术式,这次是全量手术,证据硬得多。医院信息科和手术室管理团队该看看。
美国医院基本都跑在 Epic 的病历系统上,它以前对数据访问卡得很紧。这次高管在 HLTH 大会上松口,说让 AI 来读它的病历,等于医疗 AI 公司拿到了最关键的分发入口。做医疗 AI 或给医院做系统的开发者应该盯紧具体的 API 条款。
Viz.ai 的临床负责人亲口复盘合作第一年的经验和踩过的坑,还讲了怎么把卒中AI协调网络铺到农村医院。做医疗AI落地的开发者和管理者可以看看别人怎么走这一步。
这篇论文思路挺有意思:不再直接预测生存结局,而是把患者轨迹当成潜在空间的几何结构来学。184例肾癌数据上C-index做到0.768,还不靠监督特征选择就找回了已知驱动因素。做生存分析或多组学建模的研究者可以看看方法部分。
ElevenLabs 把自家的 Scribe v3 Live Medical 语音模型做成了医疗专用智能体方案,能自动接电话、约号、查理赔。Banner Health 和 Pfizer 这些机构已经在用了,做医疗系统或客服自动化的团队可以看看这波语音方案的落地方式。
有人在 Google AI Studio 代码里挖出了 Gemini 4 Neon 和 Cobalt 两个新名字,示例提示词显示它主打查账单、审合同、看代码这类日常校验任务。喜欢蹲新模型线索的人可以看看,不过一切以官方发布为准。
这篇讲了 HLTH 会上一个挺有意思的说法:AI 可能做出"自动驾驶医生"。文章把现在初级诊疗里 AI 能干啥、还差啥讲得比较实际,做医疗 AI 产品的开发者可以看看边界在哪,做投资的也能了解监管卡点。
做男性健康远程医疗的 Hone Health 拿了 2280 万美元,钱会投进诊断检测、临床 AI 和试验基础设施。它和 Hims & Hers 走的路不太一样,更偏激素与长寿方向,做数字医疗或远程诊疗的团队可以看看它怎么扩产品线。
刚拿了 Felicis 领投的 750 万美元种子轮,做的是让智能体能像查数据库一样查 PDF 这类文档。用视觉加双流模型把 messy 文档转成 LLM 能推理的结构。做企业智能体、RAG 或者文档处理的开发者值得看看这个方向。
做 AI 誊写的 Suki 这次把产品升级成了智能体操作系统,不再只帮医生写病历,还想管预约、计费这些杂活。对标 Abridge、Nuance DAX 这类单点工具,它的思路是靠平台覆盖更多流程。医院信息科负责人和医疗 AI 创业者都该看看。
加纳一个小实验室的药物发现模型,去掉防护后能生成6000多个生化武器方案,这事说明危险能力不只握在OpenAI这类大公司手里。关注AI安全政策的人、做生物计算的研究者都该看看。
豆包这个面向办公场景的产品三个月做到 800 万日活和 20 亿元 ARR,还能自由切换 Kimi、DeepSeek 这些第三方模型。做企业服务或智能体产品的人都该看看它的计费和模型组合思路,对比飞书、钉钉的 AI 功能很有参考价值。
Google 和 Artificial Analysis 一起搞了个新基准,200 个任务专测模型看 CAD 图、电路图、GIS 地图这类专业图片再做多步推理。想给企业场景选多模态模型的人可以直接拿结果对比各家模型,比单纯跑通用基准更有参考价值。